通过特征聚合和对比学习来检测有害昆虫的少量射击对象

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 准确检测害虫对作物产量和农业管理至关重要.
• 传统方法面临着物种多样性,个体变异,有限的数据,小目标大小和复杂环境的挑战.

研究的目的:

• 开发一种新的几次射击物体检测 (FSOD) 方法,以改进对虫害的检测.
• 解决传统方法在准确性和数据依赖性方面的局限性.

主要方法:

• 使用了具有多尺度特征提取的更快R-CNN框架 (特征金字塔网络).
• 实现了一个特征聚合模块 (FAM),注意融合上下文特征.
• 雇员监督对比学习 (SCL) 增强特征的可歧视性.
• 集成的焦点损失和类重量来管理类不平衡,并专注于困难的样本.

主要成果:

• 拟议的FSOD方法在PestDet20数据集上显著优于现有的方法 (YOLO,TFA,VFA,FSCE).
• 在三次射击,五次射击和十次射击场景中实现了优异的平均精度 (mAP).
• 废弃性研究证实了每个方法组件对性能的重大贡献.

结论:

• 这项研究为病虫害检测提供了实用和有效的解决方案,减少了对广泛的注释数据集的依赖.
• 该方法在具有挑战性的条件下证明了少数害虫类别的稳定性和更高的准确性.
• 尽管比实时框架的计算复杂度更高,但精度的提高证明了其在关键害虫管理中的使用是合理的.